#AI

扩散模型说人话：从擦掉噪点到造出新东西

"加噪再去噪"这句话解释不了最关键的一件事：去噪只是把脏图擦干净，怎么能擦出一张从来不存在的图？这篇用一个不装任何库、复制就能跑的一维小例子讲透。

AI LLM 零基础

自回归不是物理定律：扩散语言模型买到了什么，亏在哪里

从左往右生成不是语言的性质，而是一个可以被换掉的建模选择。这篇把投机解码与扩散语言模型放进同一个框架，手算清楚扩散省下的步数是从哪儿借的，再用 Gemini Diffusion 官方评测表验证这笔账。

AI LLM 论文深读

我把 Claude Code 的模型换成了扩散模型：28 次运行全过，但它的卖点花不出去

把 Claude Code 的模型后端换成 Inception 的 Mercury 2 扩散模型，跑 9 个带隐藏测试的编码任务、共 28 次运行全过。真正的发现是一笔账：agent 负载的输入输出比是 82:1，输出侧只占总成本 4.2%——扩散优化的那一侧，在这里花不出去。

AI Agent LLM 工程实践

当评测系统成为攻击目标：1200 个 Agent 如何自组织、越界与篡改证据

深度拆解 METR、OpenAI 与 Hugging Face 的 2026 年事件报告：从不可能任务、未授权消息板、群体协作到工具调用伪造，建立一套可迁移的 Agent 评测安全模型与工程检查清单。

AI LLM Agent Agent 工程评测 AI 安全 AI Infra 系统设计

2026年8月26日

什么是一个好的评测样本？不是一道难题，而是一份决策证据

结合 ECBD、CheckList、Dynabench、SWE-bench 与 LiveBench，建立一套判断 LLM/Agent 评测样本是否有效、可判、可复现、能区分且不过期的工程框架。

AI LLM 评测 Agent AI Infra 论文深读

2026年8月25日

会用 Coding Agent，不等于会做 AI Engineering：四项差距能力与训练法

用一个订单 CSV 导出案例，具体定义需求规格、Agent 操作、Eval 回归与部署观测四项能力，并结合 SWE-bench、SWE-agent、MAST、AgentOps 等论文给出可练习、可验收的进阶路径。

AI Agent 工程评测工程实践系统设计

2026年8月25日

读 ECC：一个仓库把 Claude Code 的 harness 意见装箱发货

ECC（Everything Claude Code）是 MIT 协议的 Claude Code 插件仓库。它把 plan → test → implement → review → verify → remember → improve 这条工作流固化成 68 个 agent、286 个 skill、94 个命令和一套 hook。读这个仓库不是读框架源码，是读一份被具体化到文件的 harness 意见：每一种日用 agent 编程会踩到的失败模式，都对应一件可 install 的东西。

AI LLM Agent Agent 工程上下文工程

2026年8月25日

在 AI 时代胜人一筹：杠杆不在模型多强，而在你和模型之间那道界面

2005 年一对业余棋手加三台普通电脑，打败了大师加超算——卡斯帕罗夫由此提炼出"弱人类+机器+更好的流程"能赢。结合 Kasparov 定律、Bainbridge《自动化的反讽》、METR 实测 -19% 的 RCT，用一个能手算的 Amdahl 式杠杆公式说清：人机协作的胜负不在谁强，而在两者之间那道界面的质量。

AI Agent 工程上下文工程工程实践自动化

harness 会被模型吃掉：attention-interface 与 agent 演化的两条曲线

深读 Latent Space 2026-08-22 那篇《The Evolution of the Agent Harness》。Dan McAteer 用一张"模型能力曲线 × harness 需求曲线"的几何图，把 2022 年 ReAct 到 2025 年 Claude Code 的四段演化串起来，并给出一个我认为值得记住的赌注：随着 harness 能力被 RL 吸收进权重、被工程师从提示词里删除，剩下的会是一层「模型给人套上的挽具」——attention-interface。这篇不做摘要，做消化：把文章的核心几何、数字锚点、可疑点、以及和本站已有 harness 谱系的对接，全部拆到能被下一篇引用的粒度。

AI LLM Agent Agent 工程论文深读

顶级模型"卖不动"是误读：Ramp 数据里同厂之间的信任积攒

深读 Simon Willison 2026-08-23 那篇转引 FT 报导 + Ramp AI index 的短博客。表面结论是"Anthropic 最贵的 Opus 5 只占同厂花费 3.5%，Opus 4.8 占 28%"，但把家族聚合起来看，Opus 系仍占 40.8%——只是集中在上一代旗舰上。真正的信号不是"贵的没人要"，是**用户在给"累积过工程投入的模型"投票**：老模型有 SDK、prompt 库、评测、KV 缓存、组织 runbook，新模型这一切都是 0。这是昨天那篇《合成前沿》里"10% 更差、100x 便宜"在市场端的第二个投影：同厂内也在验证同一条经济逻辑。

AI LLM 评测工程实践

过程知识住在哪里？——Agent 编排的第四把交椅：编译进 8B 权重

既有的 Agent 工程决策地图有六个决策点，但都没回答一个问题：一条业务流程该住在哪里？代码里（LangGraph/CrewAI，29 万 star）、前沿模型的 system prompt 里（Anthropic Building Effective Agents 推荐）、外部技能库里（Voyager 风格）——都是把 procedure 摆在模型外面。arXiv 2605.22502 补上第四把椅子：用 Claude Sonnet 4.5 遍历流程图生成 3000–6000 条合成对话，对 Qwen3-8B 做全量微调（LoRA 明确失败），把流程编译进权重变成 subterranean agent。三个实测领域：旅游预订 14 节点、Zoom 支持 14 节点、保险理赔 55 节点 6 决策枢纽。结果：单次会话比 in-context 便宜 128–462×，比 LangGraph 便宜 77–249×；质量达 in-context 前沿的 87–98%；保险和旅游任务失败率反而比 LangGraph orchestrator 更低（9% vs 17%、5.5% vs 24%）；重新编译 30–50 分钟就是一次 CI/CD。这篇把它接进 Agent 决策地图的第七个位置，解释为什么 8B 能打赢 Claude 4.5 + LangGraph，以及这条路为什么不是在反苦涩教训，反而是苦涩教训吃掉 orchestrator。

AI LLM Agent Agent 工程论文深读

手把手把 5 节点流程编译进 0.5B 权重——Subterranean Agent 实操陪读篇

主篇给了 arXiv 2605.22502 的整套数字（128–462× 便宜、8B 打过 Claude 4.5 + LangGraph），但真正在 A100 上复现 8B 版本对读者门槛太高。这篇把管线缩到 8GB 消费级显存能跑的版本：5 节点日报归档流程 → 用 Claude Sonnet 4.5 合成 200 条对话（约 $1.70）→ Qwen2.5-0.5B 全量微调（bfloat16，~7GB 显存，M2 Pro 15 分钟）→ 对照 Claude API in-context。每一步给完整可跑代码、显存/时间/成本手算数字、以及一份 12 项自检清单。诚实标注：我没有实机跑完全流程，给出的数字是官方规格+手算估计，读者跑通请回来纠正。

AI LLM Agent Agent 工程学习笔记

10% 更差、100 倍便宜、10000 倍快：AI 生产线被自己吃掉的八次

深读 Latent Space 2026-08-22 那期 AINews：把 2022 到 2026 每年一次的"人类输入变成模型输出"演化拆成八个阶段，每一格给 patient zero 论文和该阶段的验证机制；并挑出作者只在页脚点了一下的元规律——合成前沿不是被"生成"推动的，是被"验证"推动的。这条思路和昨天那篇 attention-interface 是同一个抽象上升一层：agent harness 被模型吸收，是这条大曲线在 agent 内部的投影。

AI LLM AI Infra 评测论文深读

2026年8月17日

最优解长在一张会动的地图上：把开发者的自我革新当成非平稳搜索问题

MCTS 系列续作。上一篇把"学会一个领域"建模成搜索预算分配，这一篇处理更难的题："成为 AI 时代的佼佼者"是在一张会动的地图上搜索——奖励分布在漂移（METR 的实验结论七个月后被作者自己标为历史快照）、你只有一条不可重置的轨迹、能观测到的全是代理指标。四个搜索领域的现成升级件——折扣战绩（D-UCB/SW-UCB）、受控降温（模拟退火）、生态位精英（MAP-Elites）、防奖励作弊——各修复一个失效假设，最后装回一个每周可跑的操作循环。

AI 工程实践

2026年8月17日

Flue 2.0 深读：能力是状态的函数——Astro 团队把 React 的等式搬进了 Agent

Astro 创始人 Fred Schott 的开源 TypeScript agent 框架 Flue 发布 2.0，首个稳定版的地基是 React 风格的 Agent Hooks：agent 函数在每次模型调用前重跑一遍，hooks 声明本回合的能力清单。深读它对着的根本约束（能力集合随会话状态变化，静态配置表达不了）、与 React 的一处关键差异（资源钩子允许条件调用）、以及与 DeepSeek dsh 的谱系对照：重算 vs 撤销，是可组合性的两条路线。

AI LLM Agent

2026年8月14日

DeepSeek Harness 开源了什么：连 Agent Loop 都能拔的插件系统，和给它撑腰的一篇论文

DeepSeek 于 2026-08-13 以 MIT 协议开源 agent harness「dsh」。深读其架构（turn/step 事件模型、会话日志唯一事实源、能力接缝、profile 配置分层）与理论底座 Cordis 论文《A Programming Paradigm for Spatiotemporal Composability》：可撤销效应 + 反应式余效应 + 合流定理，把「热替换插件不炸」从工程纪律升格为数学性质。附与 SWE-agent、Claude Code、Prime Agent 的谱系对照。

AI LLM Agent 论文深读

2026年8月12日

Agent 不是黑箱，只是少了一台行车记录仪：从 AgentOps 到可诊断智能体

结合 AgentOps、Agent 设计模式、MAST、GRADE 与 AgentDebugX 五项研究，解释为什么 Agent 可观测性不能停在 Token、延迟和调用日志，以及如何把目标、计划、工具、依赖、评估和护栏组织成可诊断、可恢复的证据链。

AI LLM Agent 论文深读

2026年8月12日

安全策略不是一串 if：Llama Guard 如何把政策变成可编程门卫

深读 Llama Guard：它如何把自然语言安全政策、对话角色和生成式分类统一成输入输出双向门禁；拆解 13,997 条数据、反事实式增强、AUPRC 实验、策略迁移，以及生产落地时不能忽略的阈值、注入和权限边界。

AI LLM AI 安全论文深读

把回显当证物：一页评测证据的取证报告，和一条「双向 Oracle」定律

一个 AI agent 用浏览器自动化工具点开评测平台的证据页，吐回 18000 字符的可访问性树——这篇只凭这一页回显做取证式阅读，拆出六条线索：样本自带工具面板（τ-bench/SWE-bench 的 agent 时代样本格式）、mustFind+mustNotClaim 双向 Oracle（CriticGPT 的全面性-幻觉权衡 + TruthfulQA 式误区陷阱，逐样本的精确率-召回率合同）、按风险定价的 minimumScore（0.75/0.80/0.85 三档）、SOURCE TRACE 溯源与 model@v×scorer@v×promptProfile×datasetContentHash 四元组封印（lm-eval Trenches 的可复现纪律）、数字取证（成本"未知"是显式空格；九个样本 ms/token 稳定在 5.9–7.5，UUIDv7 时间戳显示样本 73ms 内批量落库、20 分钟后才有 run）、以及 12/12 通过的真实含金量（三分法则：n=12 全过只能把失败率压到 25% 以下——acceptance 是门禁不是榜单）。元规律「双向 Oracle 定律」：评审型打分器的成熟度不看它奖励什么，看它禁止什么——单向清单量能力，双向合同量可信。

AI LLM 评测 AI Infra 论文深读

Wilson 下界和它的全家：评测分数的统计地基——分数不是数，是分布

评测报告里"5/5 全对"的 95% 置信下界只有 56.6%。以 Wilson 下界为入口，把评测分数背后的整套统计生词（置信区间、配对检验、多重比较、判分者一致性、pass@k 无偏估计、功效分析）钉成四道关卡和一张生词总表，让你以后见到这类词不再发怵。

AI LLM 评测论文深读

LiteLLM 路由内幕：一行 routing_strategy 如何变成一次具体的模型调用

基于 LiteLLM v1.97.0 源码逐行解读模型路由的完整链路：策略字符串怎么被识别成选择器、选择器为什么同时是日志回调、候选部署要过哪十一道漏斗、五种策略各自怎么记账怎么打分、失败怎么触发冷却、重试为什么睡 0 秒——把 config 里那一行配置到一次真实模型调用之间的所有代码打开给你看。

AI LLM AI Infra 源码阅读

业务评测覆盖地图：模型上线要测的十个格子，和一条「显式空格」定律

学术基准回答模型强不强，业务评测回答系统会怎么翻车。借 HELM「先画格子再填数」的方法论，把业务评测拆成答案层、行为层、元层十格，每格给根本问题、源头论文、业务动作与收敛度——空格不可怕，隐形的空格才可怕。

AI LLM 评测 AI Infra 论文深读